Ein vereinfachter Ansatz zur Vorhersage der Malignität von Brustläsionen: Nomogramm in der Ultraschalluntersuchung

Datenerfassung: Diese Studie sammelte retrospektiv klinische und Ultraschalluntersuchungsdaten von Patientinnen, die sich in unserem Krankenhaus von Januar 2020 bis Juni 2023 einer Brustläsionsoperation unterzogen hatten. Zu den Einschlusskriterien gehörten Patienten mit vollständigen klinischen Informationen und verfügbaren Ultraschallbilddaten. Zu den aus diesen Daten extrahierten Parametern gehörten Alter, 2D-Ultraschallbilder, Doppler-Ultraschallbilder und Ultraschalldiagnoseberichte. Die Merkmalsextraktion aus Ultraschallbildern umfasste 2D-Läsionsinformationen (maximaler Durchmesser, Ausrichtung, Echogenität, Morphologie, Ränder, Verkalkungstyp, Gangveränderungen), Doppler-Informationen (Blutflussmuster, Widerstandsindex) und BI-RADS-Klassifizierung basierend auf verdächtigen Ultraschallbefunden von Ärzte.

Modellentwicklung: Zunächst führten wir eine Multikollinearitätsanalyse unter Verwendung des Varianzinflationsfaktors (VIF) durch, um Variablen mit einem VIF von weniger als 5 auszuwählen, mit dem Ziel, die Auswirkungen der Kollinearität zu reduzieren. Als Goldstandard für die Modellentwicklung verwendeten wir postoperative pathologische Ergebnisse von Brustläsionen. In der Programmiersprache R haben wir das Caret-Paket verwendet, um die endgültigen Stichproben basierend auf der Ergebnisvariablen (gutartige oder bösartige Brustläsionen) zufällig in Trainings- und Validierungssätze im Verhältnis 7:3 aufzuteilen und gleichzeitig einen zufälligen Startwert (set.seed) festzulegen. für die Reproduzierbarkeit der Ergebnisse. Anschließend führten wir eine univariate logistische Regressionsanalyse für binäre Variablen im Trainingssatz durch und behielten Variablen mit P < 0,05 bei, gefolgt von einer multivariaten logistischen Regressionsanalyse, um unabhängige Prädiktoren für die Malignität von Brustläsionen zu identifizieren.

Modellvalidierung: Um die Leistung des Modells zu validieren, haben wir ein Nomogramm erstellt, das auf der Gewichtsverteilung jedes unabhängigen Prädiktors basiert. Anschließend haben wir das Modell im Validierungssatz umfassend validiert, einschließlich der Berechnung von Sensitivität, Spezifität, Genauigkeit und Konkordanz. Es wurden ROC-Kurven (Receiver Operating Characteristic) aufgezeichnet und die Fläche unter der Kurve (AUC) berechnet, um den optimalen Schwellenwert für die quantitative Vorhersage der Wahrscheinlichkeit des Auftretens von Brustkrebs bei Patientinnen zu bestimmen. Darüber hinaus führten wir eine Entscheidungskurvenanalyse (DCA) durch, um den klinischen Nettonutzen des Modells bei verschiedenen Patientenentscheidungsschwellen zu bewerten. DCA hilft bei der Bestimmung des praktischen Nutzens des Modells bei der klinischen Entscheidungsfindung und identifiziert den optimalen Schwellenwert für die Vorhersage der Wahrscheinlichkeit des Auftretens einer Krankheit, was Ärzten hilft, bessere Entscheidungen zu treffen. Diese Validierungsmetriken wurden verwendet, um die Leistung, Genauigkeit und potenzielle Anwendung des Modells in der realen klinischen Praxis zu bewerten.